Сравнительный анализ архитектур сверточных нейронных сетей: эффективность индивидуальных стратегий обучения и гиперпараметрической настройки

Постановка проблемы. В современной медицинской диагностике кожных заболеваний по дерматоскопическим снимкам наблюдается существенный разрыв между теоретической производительностью современных архитектур сверточных нейронных сетей (СНС) и их реальной эффективностью на практике. Основной проблемой является использование универсальных пайплайнов обучения и стандартных гиперпараметров для различных моделей. Такой подход не учитывает внутреннюю топологию и специфику каждой архитектуры, что приводит к недополучению точности, высокому риску ложноотнегативных прогнозов при диагностике меланомы и неоптимальному использованию вычислительных ресурсов в критически важных клинических задачах.

Цель. Провести сравнительный анализ персонализированных стратегий обучения и гиперпараметрической настройки для повышения эффективности архитектур СНС в задаче автоматической диагностики кожных заболеваний.

Результаты. Экспериментально доказано, что универсальный подход к обучению уступает персонализированным стратегиям. Отмечено, что максимальный прирост метрики F1 достигается за счёт адаптации гиперпараметров и схем регуляризации под конкретную архитектуру сети. Для EfficientNet-B1 применены стратегии MixUp/CutMix и автоматическая смешанная точность (Automatic Mixed Precision – AMP) для улучшения обобщающей способности без потери производительности. Показано, что обучение DenseNet-2001 осуществлялось с использованием политики OneCycleLR для динамического изменения скорости обучения и аугментации Random Erasing для повышения робастности к шуму. В Inception-ResNet-V2 использовано увеличенное входное разрешение и планировщик CosineAnnealingLR для более точной настройки весов. На стратифицированном подмножестве ISIC-2020 зафиксирован статистически значимый рост метрики F1. Установлено, что ключевым достижением стало сокращение числа ложноотрицательных прогнозов меланомы на 60,8%, а это напрямую влияет на снижение рисков для здоровья пациентов. Предложены методы, позволившие повысить диагностическую точность без существенного увеличения времени инференса или требований к аппаратному обеспечению, сохраняя высокую скорость обработки данных.

Практическая значимость. Проведенный сравнительный анализ современных архитектур сверточных нейронных сетей в задаче автоматической диагностики кожных заболеваний по дерматоскопическим снимкам показал, что универсальные пайплайны обучения не позволяют реализовать потенциал моделей; максимальный прирост качества достигается за счёт персонализированной адаптации гиперпараметров и схем регуляризации под внутреннюю топологию каждой сети. Для EfficientNet-B1 применялись MixUp/CutMix и автоматическая смешанная точность, DenseNet-201 обучалась с политикой OneCycleLR и Random Erasing, а для Inception-ResNet-V2 использовалось увеличенное входное разрешение и CosineAnnealingLR. Эксперименты на стратифицированном подмножестве ISIC-2020 выявили статистически значимый рост метрики F1, сокращение числа ложноотрицательных прогнозов меланомы на 60,8% при сохранении вычислительной эффективности. Результаты подтверждают целесообразность внедрения архитектурно-ориентированных стратегий оптимизации для повышения точности медицинской диагностики.